• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Electrónica
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5529
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorMogotocoro Gelvez, Oscar Julián.-
    dc.date.accessioned2022-12-16T20:49:43Z-
    dc.date.available2022-03-20-
    dc.date.available2022-12-16T20:49:43Z-
    dc.date.issued2022-
    dc.identifier.citationMogotocoro Gélvez, O. J. (2021). Clasificación de tumores cerebral Meningioma, Glioma, Pituitary a partir de imágenes de resonancia magnética mediante Wavelet e inteligencia artificial en Raspberry PI4 [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5529es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5529-
    dc.descriptionLa clasificación de los tumores cerebrales se realiza mediante biopsia, que no suele realizarse antes de la cirugía cerebral definitiva. La mejora de la tecnología y el aprendizaje automático puede ayudar a los radiólogos en el diagnóstico de tumores sin medidas invasivas [1]. Este proyecto está enfocado en clasificar 3 tipos de tumor cerebral a partir de imágenes de resonancia magnética, mediante técnicas matemáticas como lo son el análisis de señales con transformada de wavelet, y aplicación de técnicas de inteligencia artificial con el fin de diferenciar 3 tipos de tumor cerebral, tumor meningioma, tumor glioma, tumor pituitary, el sistema se desarrollará mediante 4 fases principales las cuales son: adquisición de imágenes de resonancia magnética potenciadas con contraste ponderadas en T1, procesamiento de imágenes, reconocimiento de los tipos de tumor, e implementación del método basado en inteligencia artificial. En la fase de adquisición de datos se recolectarán imágenes de los 3 tipos de tumor cerebral esta base de datos se obtendrá a partir de consultas bibliográficas y de páginas web la cual pretende contribuir en la fase de procesamiento de imágenes. En la fase de procesamiento de imágenes se reconocerán patrones característicos de cada tipo de tumor y se acudirá a técnicas de inteligencia artificial para lograr clasificar los 3 tipos de tumor. En la fase de reconocimiento de los tipos de tumor se validarán los métodos de inteligencia artificial que logran diferenciar los 3 tipos de tumor, en la fase de implementación del sistema se creará una interfaz gráfica amigable con el radiólogo escrita en Python y asequible desde la Raspberry pi4.es_CO
    dc.description.abstractEl autor no proporciona la información sobre este ítem.es_CO
    dc.format.extent116es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectRedes neurales.es_CO
    dc.subjectWavelet.es_CO
    dc.subjectTumor cerebral.es_CO
    dc.subjectInteligencia artificial.es_CO
    dc.subjectResonancia magnética.es_CO
    dc.subjectRaspberry PI4.es_CO
    dc.titleClasificación de tumores cerebral Meningioma, Glioma, Pituitary a partir de imágenes de resonancia magnética mediante Wavelet e inteligencia artificial en Raspberry PI4.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2021-12-20-
    dc.relation.referencesBadža, M.M.; Barjaktarović, M.Č. Classification of Brain Tumors from MRI Images Using a Convolutional Neural Network. Appl. Sci. 2020, 10, 1999. https://doi.org/10.3390/app10061999.es_CO
    dc.relation.referencesOrganización Mundial de la Salud — Cáncer. [en línea]. https://www.who.int/news room/fact-sheets/detail/cancer. (fecha de Consulta 5 de noviembre de 2019).es_CO
    dc.relation.referencesPriya, VV Un enfoque de segmentación eficiente para la detección de tumores cerebrales en resonancia magnética. Indian J. Sci. Technol. 2016, 9, 1–6. [Google Académico].es_CO
    dc.relation.referencesBenet, M, Resonancia magnética de tumores cerebrales para la caracterización y clasificación de distintas regiones de interés: [en línea]. https://riunet.upv.es/bitstream/handle/10251/67519/35593872_TFG_146773757656 65180638801430301192.pdf?sequence=2&isAllowed=y (fecha de consulta el 12 de noviembre de 2020).es_CO
    dc.relation.referencesAfshar, P. Plataniotis, KN. Mohammadi, A. Redes de cápsulas para la clasificación de tumores cerebrales basada en imágenes de resonancia magnética y límites de tumores gruesos. En Actas de la Conferencia Internacional de IEEE sobre Acústica, Habla y Procesamiento de Señales (ICASSP) de ICASSP 2019-2019, Brighton, Reino Unido, 12-17 de mayo de 2019; págs. 1368-1372. [Google Académico].es_CO
    dc.relation.referencesPortable Ultrasound Enables Anytime, Anywhere Imaging. Available online: https://healthtechmagazine.net/article/2018/07/portable-ultrasound enables-anytime anywhere-imaging (accessed on 3 February 2020)es_CO
    dc.relation.referencesGil, C. M. (s.f.). Mapfre salud. Pruebas diagnósticas por imágenes: [en línea]. http://www.mapfre.es/salud/es/cinformativo/resonanciasmagneticas (fecha de consulta el 12 de noviembre de 2020).es_CO
    dc.relation.referenceshttps://www.mayoclinic.org/es-es/diseases-conditions/glioma/symptoms-causes/syc 20350251 (fecha de consulta el 12 de noviembre de 2021).es_CO
    dc.relation.referencesDomínguez Torres, Alejandro Procesamiento digital de imágenes. Perfiles Educativos [en línea]. 1996, (72), [fecha de Consulta 15 de marzo de 2021]. ISSN: 0185-2698. Disponible en: https://www.redalyc.org/articulo.oa?id=13207206 .es_CO
    dc.relation.referencesHardy, Thomas (IA: Inteligencia Artificial). POLIS, Revista Latinoamericana [en línea]. 2001, 1(2), 0ISSN: 0717-6554. Disponible en: https://www.redalyc.org/articulo.oa?id=30500219. [fecha de Consulta 12 de marzo de 2021]es_CO
    dc.relation.referencesRaspberry Pi, [en línea]. Available: https://www.raspberrypi.org/education/. [acceso:10/03/2021].es_CO
    dc.relation.referencesSajjad, M. Khan, S. Muhammad, K. Wu, W. Ullah, A. Baik, SW Clasificación de tumores cerebrales multigrado utilizando CNN profundo con amplio aumento de datos. J. Comput. Sci. 2019, 30, 174–182. [ Google Académico] [CrossRef].es_CO
    dc.relation.referencesM. Sinning, “Clasificación De Los Tumores Cerebrales,” Rev. Médica Clínica Las Condes, vol. 28, no. 3, pp. 339–342, 2017, doi: 10.1016/j.rmclc.2017.05.002es_CO
    dc.relation.referencesH. Mohsen, E.-S. A. El-Dahshan, E.-S. M. El-Horbaty, and A.-B. M. Salem, “Classification using deep learning neural networks for brain tumors,” Futur. Comput. Informatics J., vol. 3, no. 1, pp. 68–71, 2018, doi: 10.1016/j.fcij.2017.12.001.es_CO
    dc.relation.referencesA. Çinar and M. Yildirim, “Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture,” Med. Hypotheses, vol. 139, no. February, p. 109684, 2020, doi: 10.1016/j.mehy.2020.109684es_CO
    dc.relation.references“American Cancer Society.” https://www.cancer.org/es/cancer/tumores-de-encefalo o-de-medula-espinal/deteccion-diagnostico-clasificacion-por-etapas/como-se diagnostica.html (accessed Oct. 19, 20es_CO
    dc.relation.references“National Institutes Of Health.” https://salud.nih.gov/articulo/detectar-tumores cerebrales/(accessed Oct. 19es_CO
    dc.relation.references“biblioteca nacional de medicina de los Estados Unidos.” https://medlineplus.gov/spanish/braintumors.html (accessed Oct. 19, 2021).es_CO
    dc.relation.referencesD. Torres, “Procesamiento digital de imágenes,” Perfiles Educ., no. 72, 1996.es_CO
    dc.relation.referencesHaar A. Zur Theory orthogonal Function Systems', Mathematische Annalen, 69, pp 331–371, 1910.es_CO
    dc.relation.references“mathwords página oficial de matlab.” https://la.mathworks.com/products/matlab.html (accessed Nov. 11, 2021).es_CO
    dc.relation.references"Aprende Machine Learning Teoria + Practica" disponible en: https://leanpub.com/aprendeml/es_CO
    dc.relation.references“Información de Google colab disponible en su página oficial”: https://colab.research.google.com/notebooks/intro.ipynbes_CO
    dc.relation.references“Información sobre la GPU disponible en la página oficial de nvidia”: https://www.nvidia.com/es-la/drivers/what-is-gpu-computing/es_CO
    dc.relation.references“Definición de Python disponible en su página oficial”: https://docs.python.org/3/tutorial/index.htmles_CO
    dc.relation.references“Información sobre opencv disponible en su página oficial”: https://opencv.org/about/es_CO
    dc.relation.references“Información de TensorFlow disponible en su página oficial”: https://www.tensorflow.org/about?hl=es-419es_CO
    dc.relation.references“Información de Keras disponible en su página oficial”: https://keras.io/aboutes_CO
    dc.relation.references“interfaces gráficas de usuario con tk.” https://docs.python.org/es/3/library/tk.html (accessed Nov. 11, 2021).es_CO
    dc.relation.references“Publicación y distribución de ejecutables con pyinstaller en python.” https://www.pyinstaller.org/ (accessed Nov. 12, 2021).es_CO
    dc.relation.references“Rohde & Schwarz España, S.A.” https://www.rohde-schwarz.com/es/productos/test y-medida/osciloscopios/educational-content/que-es-uart_254524.html (accessed nov. 25, 2021)es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería Electrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Mogotocoro_2021_TG.pdfMogotocoro_2021_TG5,13 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.